【技术实现步骤摘要】
本专利技术属于高光谱图像分类，具体涉及基于gat与cnn的特征加权融合高光谱图像分类方法。
技术介绍
1、高光谱图像在可见光和红外波段内具有数百甚至数千个连续波段，能够捕捉物体和地表材质在不同波段的特征光谱信息。相比传统的彩色或单波段图像只能提供有限的颜色或波段信息，高光谱图像能够提供更为丰富和详细的地物光谱特征，使得对地物进行更精确的分析和识别成为可能。因此，高光谱图像已广泛应用于农业作物监测、环境污染检测、城市规划、矿产勘探、气象预测和军事侦察等领域。高光谱图像凭借其丰富的光谱信息和多样化的应用能力，成为现代遥感技术中不可或缺的重要组成部分。这些应用的前提是精确地对高光谱图像(hsi)中的每个像素进行分类。
2、在过去的几十年里，各种基于机器学习的分类器已经被开发出来用于高光谱图像分类。早期的分类方法通常是以高纬度的高光谱信息映射到低纬度上，并对低纬度数据进行处理。因此，如何建立映射函数和寻找可分离超平面成为研究的目标。例如，逻辑回归和极限学习机已被用于开发像素级hsi分类器。然而，像素化方法通常会在最终的分类图中产生相当大的误差或异常值，为了缓解这一问题，利用核支持向量机和多核学习等核技巧来提高线性可分性。但这些方法通常侧重于分类器的设计，而忽略了特征的表示和学习。为了充分利用光谱信息，已经开发了基于表示的典型方法，如稀疏表示、低阶表示、和协作表示。通过表征学习，可以揭示光谱的内在数据结构，减少对标记样本的依赖。此外，还探索了hsi的空间结构，如图构建、超像素分割、形态分割等，以促进光谱-空间特征学习。通过对h
3、相比于传统机器学习分类方法，深度学习方法可以从训练数据中自动学习自适应和稳健的深度特征。目前，许多经典的深度学习方法已经被应用到hsi分类中，并取得了良好的效果。如从一维卷积神经网络(cnn)到3d cnn的变体，从单一cnn到混合cnn，深度学习方法在hsi图像分类中的优势在于能够更好地利用大数据和强大的计算能力，从而提高分类精度、减少人工特征工程的需求，并且能够处理更复杂和高维度的数据特征。由于计算复杂度较高，这种混合cnn需要较高的计算力和较长的训练时间。以往的深度学习模型都是针对欧几里得数据而设计的，它们往往忽略了相邻土地覆盖之间的内在相关性。近年来，由于能够对任意结构的图进行卷积运算，图神经网络(gnn)受到越来越多的关注，通过将hsi编码成图，可以显式地利用相邻土地覆盖之间的相关性，并且gnn可以更好地模拟hsi的空间上下文结构。gnn即可以对非欧氏数据进行描述学习，也可以同时对节点特征信息和结构信息进行端到端的表示学习。hsi数据可以通过基于超像素的方法转换为图形数据，然后使用gnn方法可以有效地对光谱-空间上下文信息进行建模，通过这种方式，隐式扩展了标签的数量，在一定程度上缓解了小样本的问题。基于超像素的gnn可以在图形上模拟土地覆盖的各种空间结构，但它不能为每个像素生成细微的单独特征。相比之下，cnn可以在像素水平上学习局部光谱-空间特征，但其接受范围通常限于一个小正方形窗口，因此，hsi的大尺度上下文结构可能很难捕捉到。如何将基于超像素级的gnn和基于像素级cnn优点相互融合，数据互通逐渐成为hsi分类领域的重点问题。
技术实现思路
1、本专利技术旨在提供一种创新的高光谱图像分类方法，该方法能够结合图注意力网络(gat)和卷积神经网络(cnn)的优势，通过提取不同尺度图像的特征实现特征融合。gat是一种先进的深度学习架构，适用于处理图结构数据。在高光谱图像分类应用中，gat能够有效地学习节点间的相对重要性，从而精准捕捉图中的非欧几里得特征信息。同时，本方法利用深度可分离卷积强大的像素信息捕获能力以及gat对超像素数据的处理能力，全面提取了高光谱图像的欧几里得和非欧几里得特征信息。这样的特征融合保证了分类结果的高准确性和良好的泛化性能。本专利技术所采用的技术方案是，基于gat与cnn的特征加权融合高光谱图像分类方法，其特征在于，具体按照以下步骤实施：
2、步骤1、划分高光谱数据集为训练集、测试集和验证集；
3、步骤2、构建结合cnn和gat的双分支特征加权融合分类网络模型；
4、步骤3、将所述步骤1中划分的训练集输入到步骤2构建的分类网络模型中，设置参数，进行训练得到训练指标；
5、步骤4、对分类结果的指标、数据、图像信息进行评估。
6、本专利技术的特点还在于，
7、步骤1具体按照以下步骤实施：
8、步骤1.1、利用经典高光谱数据集indian pines作为模型输入进行实验，将数据集在gat和cnn双分支分别进行预处理，划分为训练集和测试集、验证集，训练集、验证集均随机选取总数据的1％，其余数据作为测试集。
9、步骤2具体按照以下步骤实施：
10、步骤2.1、结合深度可分离卷积和gat的双分支加权融合模型一共包含两条分支，每条分支共有3个部分，分别是数据预处理、多尺度划分和加权融合部分，对于gat分支，利用超像素分割对原始像素图像进行预处理获得不同分割尺度的超像素信息，将所得信息分别输入到3条gat网络中并对结果数据进行拼接作为gat总分支的输出，对于cnn分支，利用频谱卷积层对输入原始数据进行降维去噪处理，将处理后的数据下采样后输入cnn分支并对输出结果上采样后进行拼接作为cnn总分支的输出；
11、步骤2.2、对于cnn分支的输入数据，采用频谱卷积进行预处理，首先对输入的图像数据进行通道压缩转换，接着对转换后的数据进行标准化处理，再使其通过卷积核大小为1×1的频谱卷积层，最后经由leakyrelu函数以增加泛化能力，将处理后的数据作为cnn总分支的输入。对于gat分支的输入数据，则利用超像素分割进行预处理，具体做法是对原始数据进行不同大小的超像素分割，从而获得不同尺度的分割信息，然后将经过处理的数据作为gat总分支的输入；
12、步骤2.3、对于不同分支的多尺度划分，将cnn分支经过频谱卷积层得到的输入数据进行两次池化核大小为2池化步长为2的最大池化，得到3种不同尺度的像素级信息，并将3种数据输入到cnn网络的3条分支中，每一条cnn分支均划为3层，每一层都依次经过位置注意模块pam、通道注意模块cam和深度可分离卷积层3步，其中位置注意模块pam用于捕捉图像中的空间位置关系，通过加权每个位置的特征强化模型对空间信息的理解和处理能力，位置注意模块pam通过计算特征图中不同位置的相似性，生成注意力图，从而实现对关键位置的强调，通道注意模块cam通过分析不同通道的重要性，调整各通道的响应强度，从而使模型能够更加关注对最终任务更为重要的特征通道，深度可分离卷积分为两个步骤进行：首先使用逐点深度卷积分别处理输入的每个通道，然后使用逐通道逐点卷积将深度卷积的输出合并。第一条分支前两层各部分输出通道均为128，本文档来自技高网...
【技术保护点】
1.基于GAT与CNN的特征加权融合高光谱图像分类方法，其特征在于，具体按照以下步骤实施：
2.根据权利要求1所述的基于GAT与CNN的特征加权融合高光谱图像分类方法，其特征在于，所述步骤1具体按照以下步骤实施：
3.根据权利要求2所述的基于GAT与CNN的特征加权融合高光谱图像分类方法，其特征在于，所述步骤2具体按照以下步骤实施：
4.根据权利要求3所述的基于GAT与CNN的特征加权融合高光谱图像分类方法，其特征在于，所述步骤3具体按照以下步骤实施：
5.根据权利要求4所述的基于GAT与CNN的特征加权融合高光谱图像分类方法，其特征在于，所述步骤4具体按照以下步骤实施：
【技术特征摘要】
1.基于gat与cnn的特征加权融合高光谱图像分类方法，其特征在于，具体按照以下步骤实施：
2.根据权利要求1所述的基于gat与cnn的特征加权融合高光谱图像分类方法，其特征在于，所述步骤1具体按照以下步骤实施：
3.根据权利要求2所述的基于gat与cnn的特征加权融合高光谱图像分类方法，...
【专利技术属性】
技术研发人员：王文卿，杨毅飞，穆琨鹏，何霁，李凌舟，贾飞，刘涵，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。